Champs aléatoires de Markov couples et segmentation des images

Champs aléatoires de Markov couples et segmentation des images
texturées
Pairwise Markov Random Fields and Textured Images Segmentation
Wojciech Pieczynski
Abdel-Nasser Tebbache
Institut National des Télécommunications
Département Signal et Image
9, rue Charles Fourier, 91000 Evry, France
e-mail : [email protected]
Résumé
Les modèles par champs aléatoires, qui permettent de
tenir compte des interactions spatiales dans des situations
complexes, trouvent de nombreuses applications dans
différents problèmes de traitement d'images, comme
segmentation ou détection de contours.
En segmentation statistique d'images on retient
généralement le modèle par champs de Markov cachés :
le processus des classes est un champ de Markov et on
observe sa version "bruitée". La loi du champs des
classes a posteriori n'étant pas toujours une loi de
Markov dans le cas des images texturées, l'application
des méthodes Bayésiennes classiques nécessite des
approximations du modèle.
L'originalité de la modélisation proposée dans ce travail
est de considérer la markovianité du couple (champ des
classes, champ des observations). Le modèle obtenu est
différent du modèle par champs de Markov cachés, en
particulier la loi du champ des classes a priori n'est pas
nécessairement une loi markovienne. Les images
texturées peuvent alors être segmentées sans
approximations du modèle. On présente quelques
premières simulations attestant l'intérêt du modèle
proposé.
Mots Clef
Segmentation, images, champs de Markov, texture.
Abstract
The use of random fields, which allows one to take into
account the spatial interaction among random variables
in complex systems, becomes a frequent tool in
numerous problems of statistical image processing
problems, like segmentation or edge detection.
In statistical image segmentation, the model is generally
defined by the probability distribution of the class field,
which is assumed to be a Markov field, and the
probability distributions of the observations field
conditionally to the class field. In such models the
segmentation of textured images is difficult to perform
and one has to resort to some model approximations.
The originality of our contribution is to consider the
markovianity of the couple (class field, observations
field). We obtain a different model; in particular, the
class field is not necessarily a Markov field. The model
proposed makes possible textured image segmentation
with no approximations. Some first simulations to
validate the model proposed are also presented.
Key Words
Segmentation, images, Markov fields, texture.
1 Introduction
Nous présentons dans cet article un modèle par champs
aléatoires de Markov, original par rapport aux champs de
Markov cachés classiques (HMRF). La différence
principale avec les modèles HMRF réside dans le fait que
le champ des classes n'est pas nécessairement markovien.
Un des avantages discuté dans la suite est la possibilité
de segmenter des images texturées sans approximations
du modèle. Plus précisément, considérons un ensemble
des pixels S et deux champs aléatoires X = (Xs ) s∈S et
Y = (Ys )s∈S . Le champ des classes X est inobservable
et le problème est d'estimer sa réalisation à partir de celle
observée de Y . Dans la modélisation classique on
suppose que X est un champ de Markov et Y est sa
version "bruitée". En d'autres termes, X est "caché" par
du bruit. Il existe alors diverses méthodes Bayésiennes de
segmentation de Y , comme MPM [MMP87], MAP
[GeG84] ou ICM [Bes86]. Toutes ces méthodes utilisent
la markovianité a posteriori de la loi de X . Ladite
markovianité peut être obtenue par le biais des
hypothèses simplificatrices comme, à titre d'exemple,
l'hypothèse selon laquelle les variables Y = (Ys ) s∈S sont
indépendantes conditionnellement à X . Lorsque l'on
souhaite segmenter des images texturées une telle
approximation ne peut être considérée; en effet, dans ce
contexte une texture est essentiellement décrite par des
champs aléatoires corrélés [ChJ93]. Cette difficulté est
mise en évidence dans les travaux de Derin et al.
[DeE87], [KDH88], [LaD89] : dans le modèle proposé,
dit modèle "hiérarchique", on procède de la manière
suivante : (i) X est un champ de Markov; (ii) on
considère, pour k classes, k champs de Markov réels
(par exemple Gaussiens); (iii) après avoir simulé X et
les k textures (champs de Markov réels), on procède par
une technique de collage en considérant sur chaque pixel
la valeur numérique de la texture (champ Y ) déterminée,
parmi k possibilités, par X . On peut ainsi effectuer des
simulations des images contenant des classes des textures
différentes et un tel procédé est tout-à-fait conforme à
l'intuition. La difficulté vient du fait que la loi de X a
posteriori n'est pas markovienne et il est impossible,
dans le cadre strict du modèle, d'effectuer des
segmentations classiques du type MPM ou MAP. On est
alors amené à sortir du modèle par le biais des
approximations. Bien qu'il existe un grand nombre de
situations dans lesquelles ces approximations semblent
avoir peu d'effet sur la qualité finale des résultats des
segmentations, leur influence sur la qualité des
traitements est difficile à cerner dans toute sa généralité.
En particulier, dans des contextes plus complexes
(plusieurs capteurs, plusieurs résolutions, présence du
flou, ...) de telles approximations du modèle pourraient
avoir une influence négative non négligeable sur la
qualité finale des résultats des traitements.
Afin d'éviter de telles approximations, nous proposons de
considérer directement la markovianité de Z = (X,Y) .
Nous remarquerons que ni la loi de X , ni celle de Y
(qui sont des lois marginales de Z = (X,Y) ) n'est alors
nécessairement markovienne, cependant ce fait ne préjuge
pas de la possibilité de segmentation par MPM ou MAP
sans approximations. Cela est principalement dû au fait
que la markovianité de Z = (X,Y) implique, d'une part,
la markovianité de Y conditionnellement à X et, d'autre
part, la markovianité de X conditionnellement à Y .
L'organisation de notre article est la suivante. La section
suivante est consacrée à la présentation du modèle
"couple" proposé dans un cas simple et à la discussion de
ses différences par rapport au modèle classique par
champs de Markov cachés. Dans la section 3 nous
présentons quelques résultats des simulations et la
section 4 contient les conclusions.
2 Champs de Markov Couple
segmentation des images textures
et
Nous précisons dans cette section la différence entre les
champs de Markov cachés et les champs de Markov
couple dans un cas simple de bruitages gaussiens.
2.1 Cas simple de Champ de Markov
Caché
S et X = (Xs )s∈S un
champ aléatoire, chaque variable aléatoire Xs prenant ses
On considère l'ensemble de pixels
valeurs
dans un ensemble de deux classes
Ω = {ω 1 , ω 2}. Le champ X est markovien par rapport
aux quatre plus proches voisins si sa loi s'écrit
P[X = x] =


= λ exp − ∑ ϕ1 (xs , xt ) − ∑ ϕ 2 (xs )
s
 ( s, t ) voisins

(1)
où " (s,t) voisins" signifie que les pixels s et t sont
voisins et se trouvent soit sur la même ligne, soit sur la
même colonne. Le champ aléatoire Y = (Ys ) s∈S est le
champ des observations et nous supposerons que chaque
variable aléatoire Ys prend ses valeurs dans R . La loi de
(X,Y) est alors définie par (1) et les lois de Y
conditionnelles à X = x . Si l'on suppose que les
variables aléatoires (Ys ) sont indépendantes
conditionnellement à X et que la loi de chaque Ys
conditionnelle à X = x est égale à sa loi conditionnelle
à Xs = xs , on peut écrire :
P[Y = y X = x] = ∏ fx s (ys )
(2)
s
fx s est la densité de la loi de Ys conditionnelle à
Xs = xs . Il en résulte :
où
P[X = x,Y = y] =
λe


 − ∑ ϕ 1 ( x s , x t ) − ∑ [ ϕ 2 ( x s ) + Logf xs ( y s )] 
s
 (s, t) voisins

(3)
Le couple (X,Y) est ainsi markovien et la loi de X
conditionnelle à Y = y est encore markovienne. Il est
ainsi possible de simuler des réalisations de X selon sa
loi conditionnelle à Y = y , ce qui rend possible
l'utilisation des méthodes de segmentation comme le
MPM ou le MAP.
En pratique, les variables aléatoires (Ys ) ne sont pas, en
général, indépendantes conditionnellement à X . L'égalité
(2) est en particulier trop simpliste pour représenter la
présence de deux classes texturées et on est amené à
considérer, si l'on souhaite modéliser les deux textures
par deux champs markoviens gaussiens, la définition
donnée par (4) :
P[Y = y X = x] =
λ (x)e


1
a xs xt y s y t − ∑ [a xs xs y s2 + b xs y s ] 
− ∑
2 s
 (s, t) voisins

(4)
Le champ Y est ainsi markovien conditionnellement à
X . La difficulté réside dans le fait que le produit de (1)
par (4) n'est pas, dans le cas général, une loi
markovienne. En effet, si Γ(x) est la matrice de
covariance de la loi gaussienne de Y = (Ys ) s∈S
(conditionnelle à X = x ), nous avons
λ (x) =
1
(5)
(2 π ) det(Γ(x))
N
simulations de X selon sa loi a posteriori, ce qui permet
l'application des méthodes Bayésiennes comme MPM ou
MAP.
Notons qu'il se pose le problème, que nous n'aborderons
pas dans cet article, de l'existence de la loi définie par (6).
En effet, cette loi n'existe pas nécessairement pour toutes
les fonctions ϕ1 , ϕ 2 , ax s x t , ax s x s , bx s . Il existe
cependant des conditions d'existence, portant sur
l'énergie, des champs markoviens gaussiens non
stationnaires [Guy93]. Le champ Y étant gaussien
conditionnellement à X , une des possibilités de montrer
l'existence de la loi définie par (6) pourrait être de
montrer que sa loi conditionnelle à X = x existe pour
tout x .
Le couple (X,Y) étant markovien, il est possible de
calculer les lois des (Xs ,Ys ) conditionnellement au
voisinage. Explicitons, à titre d'exemple, le calcul de la
loi de (Xs ,Ys ) conditionnelle aux observations faites sur
son voisinage composé des quatre plus proches voisins
[(Xt1 ,Yt1 ),(Xt 2 ,Yt 2 ),(Xt3 ,Yt3 ),(Xt 4 ,Yt 4 )] =
[(xt1 , yt1 ),(xt 2 , yt 2 ),(xt3 , yt3 ),(xt 4 , yt 4 )]
qui ne peut pas être écrit, dans le général, comme une
distribution markovienne en x .
Finalement, X est markovien, Y est markovien
conditionnellement à X , mais ni (X,Y) , ni X
conditionnellement à Y , ne sont markoviens dans le cas
général. Cette absence de markovianité de la loi a
posteriori rend difficile l'application rigoureuse des
méthodes de segmentation comme MPM ou MAP;
cependant, ce problème peut être traité par des
approximations du modèle, comme dans [KDH88,
WoD92].
2.2 Cas simple de Champ de Markov
Couple
L'écriture explicite de ces lois permettra leur simulation,
ce qui rendra possible la simulation des réalisations de
(X,Y) par l'échantillonneur de Gibbs. Montrons que
cette loi est de la forme (qui dépend également de
(xt1 , yt1 ) , (xt 2 , yt 2 ) , (xt 2 , yt 2 ) , et (xt 4 , yt 4 ) ;
dépendance que nous omettons afin de simplifier
l'écriture) :
h(xs , ys ) = p(xs ) fx s (ys )
P[X = x,Y = y] =
λe


 − ∑ ϕ [( x s , y s ), ( x t , y t )] − ∑ ϕ *[( x s , y s )] 
s
 (s, t) voisins

xs . L'écriture (8) permettra alors des
simulations aisées des réalisations de (Xs ,Ys ) : on
pourra simuler d'abord xs selon la probabilité p , et
simuler ensuite ys selon la densité fx s .
= λe
Nous avons les égalités (9) suivantes :
=
− ∑ [ ϕ 1 ( x s , x t )+ a xs xt y s y t ] − ∑ [ ϕ 2 ( x s )+ a xs xs y s2
(s, t) voisins
s
(6)
+ b xs y s ]
La markovianité du couple (X,Y) implique la
markovianité de Y conditionnellement à X , et la
markovianité de X conditionnellement à Y . La
première propriété permet de modéliser les textures,
comme dans (4), et la deuxième rend possible les
(8)
où p est une probabilité sur l'ensemble des classes et,
pour chaque classe xs , fx s est la densité gaussienne
correspondante à
Une autre possibilité, que nous proposons dans ce
travail, consiste à considérer directement le couple
(X,Y) comme markovien. Plus précisément, on pose
(7)
P{(Xs ,Ys ) = (xs , ys )
Mx s = −
[(Xt1 ,Yt1 ),...,(Xt 4 ,Yt 4 )] = [(xt1 , yt1 ),...,(xt 4 , yt 4 )]}
∝e
=e
=e
− ∑ ϕ [( x s , y s ), ( x ti , y ti )] − ϕ *[( x s , y s )]
i=1,..., 4
i
i=1,..., 4
=
et par la probabilité
par :
i
Posons temporairement :
α = ϕ 2 (xs ) +
∑ ϕ (x , x
1
s
i =1,..., 4
β = bx s +
∑a
i =1,..., 4
x s x ti
x s x ti
yt i
2ax s x s
1
σ x2s =
2ax s x s
− ∑ ϕ 1 ( x s , x ti )+[b xs + ∑ a xs xt y ti ]y s −[ ϕ 2 ( x s )+ a xs xs y s2 ]
i=1,..., 4
∑a
i =1,..., 4
(12)
=
− ∑ [ ϕ 1 ( x s , x ti )+ a xs xt y s y ti ] −[ ϕ 2 ( x s )+ a xs xs y s2 + b xs y s ]
i=1,..., 4
bx s +
p définie sur l'ensemble des classes
p(xs ) =
ti
)
yt i
[ (a ) ]e
=
∑ [ (a ) ]e
−1
(10)
δ = ax s x s
(bx s +
2
∑ a x s xt yti )
i
i=1,..., 4
− ϕ 2 (x s )− ∑ ϕ1 (x s , xti )
2a x s x s
i=1,..., 4
xs xs
(bω + ∑ a ωxt y ti ) 2
ω ∈Ω
i=1,..., 4
−1
ωω
2 a ωω
i
− ϕ 2 ( ω )− ∑ ϕ 1 ( ω , x ti )
i=1,..., 4
La loi de probabilité (9) devient :
Finalement, les principales différences entre le modèle
classique par Champs de Markov Cachés et celui par
Champs de Markov Couples proposé sont les suivantes :
exp− [α + β ys + δ ys2 ] =
β 2



 (ys + 2δ )
β 2
− ( ) δ + α =
= exp− 
−1
δ
2δ




β

πδ −1 exp ( )2 δ − α 
 δ

β 2

 −(ys + 2δ ) 
1
exp 
=
−1
δ
πδ −1




 β

πδ −1 exp ( )2 δ − α  fx s (ys )
 2δ

(i) La loi de X (sa loi a priori) est une loi de
Markov dans le modèle classique et n'est pas
nécessairement une loi de Markov dans le modèle
proposé;
(ii) La loi de X a posteriori n'est pas
nécessairement une loi de Markov dans le modèle
classique et c'est une loi de Markov dans le modèle
proposé;
(11)
fx s est une densité gaussienne avec la moyenne
β
1
−
et la variance
. Finalement, en tenant compte
2δ
2δ
du (10), la densité h(xs , ys ) = p(xs ) fx s (ys ) figurant
dans (8) est donnée par la densité gaussienne fx s
déterminée par sa moyenne M x s et sa variance variances
où
σ x2s :
(iii) Contrairement au modèle classique, il est
possible, dans le modèle proposé, de simuler les
réalisations de X selon sa loi a posteriori sans
approximations du modèle, ce qui permet l'utilisation des
méthodes classiques de segmentation comme MAP
[GeG84, Bes86] or MPM [MMP87].
Remarques
1. Le modèle classique par champs de Markov s'applique
également dans le cas des données multicapteur [YaG95].
Pour m capteurs les observations sur chaque pixel
s ∈S sont supposées être une réalisation d'un vecteur
[
]
aléatoire Ys = Ys ,...,Ys . On peut également étendre
le modèle proposé au cas multicapteur : à titre d'exemple,
2
on remplacerait ys yt et ys figurant dans (6) par des
1
φ1[(ys1 ,..., ysm ),(yt1 ,..., ytm )]
fonctions
φ 2 [(y ,..., y )] .
1
s
m
m
s
et
2. Dans certains cas particuliers le modèle classique peut
prendre en compte une texture ou un bruit corrélé
[Guy93]. En particulier, le cas d'un bruit gaussien corrélé
additif est traité dans [Lee98].
3. L'estimation des paramètres du modèle par champs de
Markov couples pourrait, a priori, être effectuée par des
variantes de la méthodes Estimation Conditionnelle
Itérative (ICE [Pie92], [Pie94]). En effet, X étant
simulable selon sa loi conditionnelle à Y , il reste à
considérer un estimateur des paramètres défini à partir de
(X,Y) . On pourrait alors envisager l'adaptation à
(X,Y) , dont la structure est relativement inhabituelle
car X prend ses valeurs dans un espace discret et Y
prend les siennes dans un espace continu, des diverses
techniques connues [Guy93], et en particulier
l'algorithme du gradient stochastique [You88].
La généralisation de l'exemple donné par (6) à une
écriture quelconque de l'énergie ne pose pas de problème
majeur. Soit S l'ensemble des pixels, avec
N = Card(S) . O n c o n s i d è r e k classes
Ω = {ω 1 ,..., ω k },
m capteurs (chaque
Ys = (Ys1 ,...,Ysm ) est à valeurs dans R m ), et l'ensemble
de cliques défini par un certain système de voisinages. Le
champ aléatoire Z = (Zs ) s∈S , avec Zs = (Xs ,Ys ) , est
un Champs de Markov Couple si sa loi s'écrit
P[Z = z] = λ e
∑ ϕ c ( zc )
c∈C
P[X = x,Y = y] =
= λe
−
∑ ϕ [( x s , y s ), ( x t , y t )] − ∑ ϕ *[( x s , y s )]
(s, t) voisins
(15)
s
avec
ϕ [(xs , ys ),(xt , yt )] =
1
(ax x ys yt + bx s x t ys + cx s x t yt + d x s x t )
2 st
(16)
2.3 Cas général Champ de Markov Couple
−
par champ couple. Nous notons également la possibilité
d'obtenir différents types de textures.
Les champs couples présentés sur la Fig.1 sont des
champs de Markov relativement aux quatre plus proches
voisins et tels que la loi de Y conditionnelle à X est
une lei gaussienne. L'écriture de la loi de (X,Y) choisie
pour les simulations est
(14)
Notons que dans certains cas, comme le cas gaussien, on
doit s'assurer de l'existence de la mesure de probabilité
donnée par (14).
En particulier, le cas de trois capteurs peut être utilisé
pour la segmentation des images couleur.
3 Exemples visuels
Nous présentons dans ce paragraphe quelques résultats de
simulations et de segmentation par la méthode MPM. Il
apparaît que la variation des paramètres d'un champ de
Markov couple simple permet d'obtenir un certain
nombre d'images texturées. Nous avons choisi de
présenter des cas relativement "bruités" (on distingue
l'image des classes avec quelque difficulté). Nous
remarquons que les images des classes ressemblent à des
réalisations des champs de Markov, ce qui peut
éventuellement signifier que dans les cas simples
présentés le modèle classique, où le champ des classes est
un champ de Markov, n'est pas très "éloigné" du modèle
1
ϕ *[(xs , ys )] = (α x s ys2 + β x s ys + γ x s x t )
2
Les coefficients définissant l'énergie donnée par (16) sont
précisés dans le tableau Tab.1. Notons qu'il est
intéressant, pour avoir une idée de l'importance du bruit,
d'avoir des renseignements sur la loi de Y conditionnelle
à X = x . C'est en effet une loi gaussienne et la
connaissance des paramètres comme les moyennes ou les
variances correspondant aux classes permet d'avoir, en
première approximation, une idée sur les bruitages. Les
renseignements sont cependant incomplets car le niveau
du bruit dépend également des corrélations des v. a. (Ys )
conditionnellement à X et de la loi de X a priori.
Notons qu'un lien simple unit certains coefficients des
potentiels donnés par (16) aux moyennes et aux
variances. En effet, en notant Σ x la matrice de
covariance de la loi gaussiennes de Y conditionnellement
x
−1
à X = x et en posant Qx = [qst ]s, t ∈S = Σ x , nous
avons
 (y − m)t Qx (y − m) 
P[Y = y X = x] ∝ exp −
 (17)
2


En développant (17) et en identifiant avec (16) nous
avons en particulier
mx s = −
β xs
2α x s
(18)
1
σ =
α xs
2
xs
Tous les autres paramètres égaux par ailleurs, on peut
ainsi utiliser (18) pour augmenter ou diminuer le bruit.
À titre d'exemple, en gardant les variances constantes, on
augmente le bruit en rapprochant les moyennes. Notons
qu'il n'existe pas de lien simple entre les corrélations et
les fonctions figurant dans (16). Les corrélations figurant
dans le tableau Tab.1, qui montrent qu'il est possible
d'obtenir diverses valeurs donnant des textures
visuellement différentes, sont des estimées.
Les valeurs des moyennes montrent que les bruitages
sont relativement élevés, particulièrement dans les cas 2
(Image 5) et 3 (Image 8), ce qui est confirmé
visuellement. En effet, il est difficile de distinguer les
classes à partir de l'image bruitée. Remarquons cependant
que le cas 1 (Images 1, 2, 3), qui semble visuellement
moins bruité (les moyennes sont également les plus
éloignées), est celui qui donne le taux d'erreur de la
segmentation par le MPM le plus élevé. Ce fait confirme
l'influence de la loi a priori et des corrélations du bruit
sur l'importance, du moins en ce qui concerne la fonction
de perte de la méthode Bayésienne MPM, de ce dernier.
Image 1
Image 2
Image 3
Image 4
Image 5
Image 6
Image 7
Image 8
Image 9
Fig. 1. Trois réalisations des champs de Markov couples : (Image 1, Image 2), (Image 4, Image 5), (Image 7, Image 8), et
les segmentations par le MPM correspondantes.
Images 1, 2, 3
1
α xs
β x s −2mx s
γ x s x t mx2
s
ax s x t − 0,5
bx s x t 0,5mx t
cx s x t 0,5mx s
d x s x t −0,5mx s mx t +
ϕ (xs , xt )
m1 1
m2 1,7
σ12 1
σ 22 1
ρ11 0,65
ρ22 0,67
τ
18,0%
Nb 30 × 30
Images 4, 5, 6
1
Images 7, 8, 9
1
−2mx s
−2mx s
2
xs
m
− 0,1
− 0,1mx t
− 0,1mx s
−0,1mx s mx t +
mx2s
− 0,3
− 0,3mx t
− 0,3mx s
−0,1mx s mx t +
ϕ (xs , xt )
1,5ϕ (xs , xt )
1
1,5
1
1,5
1
1
1
1
0,05
0,07
07,9%
30 × 30
0,18
0,17
11,7%
30 × 30
Tab.1
α x s , ... ,
d x s x t : les fonctions potentiels dans (16), la
fonction ϕ étant définie par ϕ (xs , xt ) = −1 si
xs = xt et ϕ (xs , xt ) = 1 si xs ≠ xt . m1 , m2 , σ12 ,
σ 22 : les moyennes et les variances dans (17). ρ11, ρ22
: les covariances inter-classe estimées (pixels voisins). τ
: les taux d'erreur des segmentations par le MPM. Nb :
nombre d'itérations dans le MPM (lois marginales
estimées à partir de 30 réalisations, chaque réalisation
étant obtenue après 30 itérations de l'échantillonneur de
Gibbs).
nécessairement une loi de Markov (ainsi le modèle n'est
pas un champ de Markov caché car le champ caché n'est
pas nécessairement de Markov).
Nous avons présenté quelques simulations montrant les
possibilités de synthèse des images de classes texturées
d'une part, et de leur segmentation par la méthode
Bayésienne MPM, d'autre part. Les simulations montrent
que l'on peut obtenir, dans un cadre des modèles
relativement simples, aussi bien des différentes
homogénéités des images de classes, que des différentes
corrélations du bruit, donnant visuellement des textures
différentes. Malgré l'importance visuelle du bruit (on
distingue difficilement les classes dans les images
bruitées) la segmentation par le MPM donne des résultats
encourageants.
L'application du modèle proposé en segmentation
d'images texturées et, éventuellement, bruitées par du
bruit corrélé, réelles nécessiterait une méthode
d'estimation de ses paramètres. La recherche de telles
méthodes constitue une perspective naturelle pour la
poursuite de notre travail.
Remerciements
Nous remercions Alain Hillion, Directeur Scientifique de
l'École Nationale Supérieure des Télécommunications de
Bretagne, pour les nombreuses discussions qui ont
fortement contribué à la conception de ce travail.
Références
[Bes86] J. Besag, On the statistical analysis of dirty
pictures, Journal of the Royal Statistical Society, Series
B, 48, pp. 259-302, 1986.
[ChJ93] R. Chellapa, A. Jain Ed., Markov Random
Fields, Theory and Application, Academic Press, San
Diego, 1993.
[CrJ83] G. R. Cross and A. K. Jain, Markov Random
Field Texture Models, IEEE Trans. on PAMI, Vol. 5,
No. 1, pp. 25-39, 1983.
4 Conclusions
Nous avons proposé dans cet article une modélisation
originale par champs de Markov, pouvant être utilisée
dans des problèmes d'estimation des champs aléatoires
inobservables. Dans le cadre des traitements d'images
cette modélisation permet, en particulier, d'effectuer des
segmentations statistiques d'images texturées et bruitées
par du bruit corrélé. Contrairement au modèle
hiérarchique de Derin et al., le modèle proposé permet
d'appliquer les méthodes Bayésiennes MPM et MAP sans
avoir recours à une quelconque approximation.
La principale différence avec les modélisations par
champs de Markov cachés réside dans le fait que la loi a
priori du champ aléatoire des classes n'est pas
[DeE87] H. Derin and H. Elliot, Modelling and
segmentation of noisy and textured images using Gibbs
random fields, IEEE Trans. on PAMI, Vol. 9, No. 1,
pp. 39-55, 1987.
[GeG84] S. Geman, G. Geman, Stochastic relaxation,
Gibbs distributions and the Bayesian restoration of
images, IEEE Trans. on PAMI, Vol. 6, No. 6, pp. 721741, 1984.
[Guy93] X. Guyon, Champs aléatoires sur un réseau,
Collection Techniques Stochastiques, Masson, Paris,
1993.
[NgC93] H. H. Nguyen and P. Cohen, Gibbs Random
Fields, Fuzzy Clustering, and the Unsupervised
Segmentation of Textured Images, CVGIP: Graphical
Models and Image Processing, Vol. 55, No. 1, pp. 1-19,
1993.
[KDH88] P. A. Kelly, H. Derin, and K.D. Hart,
Adaptive segmentation of Speckled images using a
hierarchical random field model, IEEE Trans. on ASSP,
Vol. 36, No 10, pp. 1628-1641, 1988.
[LaD89] S. Lakshmanan, H. Derin, Simultaneous
parameter estimation and segmentation of Gibbs random
fields, IEEE Transactions on PAMI, Vol. 11, pp. 799813, 1989.
[Lee98] T. C. M. Lee, Segmenting images corrupted by
correlated noise, IEEE Trans. on PAMI, Vol. 20, No. 5,
pp. 481-492, 1998.
[MMP87] J. Marroquin, S. Mitter, T. Poggio,
Probabilistic solution of ill-posed problems in
computational vision, Journal of the American
Statistical Association, 82, pp. 76-89, 1987.
[Pie92] W. Pieczynski, Statistical image segmentation,
Machine Graphics and Vision, Vol. 1, No. 1/2, pp. 261268, 1992.
[Pie94] W. Pieczynski, Champs de Markov cachés et
estimation conditionnelle itérative, Traitement du
Signal, Vol. 11, No. 2, pp. 141-153, 1994.
[WoD92] C. S. Won and H. Derin, Unsupervised
segmentation of noisy and textured images using
Markov random fields, CVGIP: Graphical Models and
Image Processing, Vol. 54, No 4, 1992, pp. 308-328.
[YaG95] T. Yamazaki and D. Gingras, Image
classification using spectral and spatial information based
on MRF models, IEEE Trans. on IP, Vol. 4, No. 9, pp.
1333-1339, 1995.
[You88] L. Younes, Estimation and annealing for
Gibbsian fields, Annales de l'Institut Henri Poincaré,
Vol. 24, No. 2, 1988, pp. 269-294.